msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.37493/2307-910X.2026.2.2msi-1882Research ArticleТЕХНИЧЕСКИЕ НАУКИ. ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES. INFORMATION, COMPUTING AND MANAGEMENTИсследование методов машинного обучения для обнаружения SQL-инъекцийInvestigation of machine learning methods for detecting SQL injectionsАзаровИ. В.AzarovI. V.

Иван Валерьевич Азаров – доцент

Researcher ID: PJA-9864-2026

д. 1, ул. Пушкина, Ставрополь, 355017

Ivan V. Azarov – associate professor

Researcher ID: PJA9864-2026

1, Pushkin St., Stavropol, 355017

iazarov@ncfu.ruhttps://orcid.org/0000-0002-8988-0694КононоваН. В.KononovaN. V.

Наталия Владимировна Кононова – доцент

Researcher ID: PUE-2199-2026

д. 8а, пр. Кулакова, Ставрополь, 355035

Natalia V. Kononova – associate professo

Researcher ID: PUE-2199-2026

8a, Kulakova Ave., Stavropol, 355035

knv_fm@mail.ruСуренковД. Э.SurenkovD. E.

Данила Эдуардович Суренков – студент

д. 1, ул. Пушкина, Ставрополь, 355017

Danila E. Surenkov – student

1, Pushkin St., Stavropol, 355017

dsurienkov@mail.ruhttps://orcid.org/0009-0004-1850-9021СеменовГ. А.SemenovG. A.

Глеб Алексеевич Семенов – студент

Researcher ID: PII-8176-2026

д. 1, ул. Пушкина, Ставрополь, 355017

Gleb A. Semenov – student

Researcher ID: PII-8176-2026

1, Pushkin St., Stavropol, 355017

glebsemenov2003@gmail.comhttps://orcid.org/0009-0002-3667-2901СанамянО. А.SanamyanO. A.

Олег Арменович Санамян  – студент

Researcher ID: PJA-7256-2026

д. 1, ул. Пушкина, Ставрополь, 355017

Oleg A. Sanamyan – student

Researcher ID: PJA-7256-2026

1, Pushkin St., Stavropol, 355017

s.oleg.s2003@gmail.comСеверо-Кавказский федеральный университетРоссияNorth-Caucasus Federal UniversityRussian FederationМИРЭА - Российский технологический университет, филиал в г. СтавропольРоссияMIREA - Russian Technological University, Branch in StavropolRussian Federation2026250820260218–32Copyright © Азаров И.В., Кононова Н.В., Суренков Д.Э., Семенов Г.А., Санамян О.А., 20262026Азаров И.В., Кононова Н.В., Суренков Д.Э., Семенов Г.А., Санамян О.А.Azarov I.V., Kononova N.V., Surenkov D.E., Semenov G.A., Sanamyan O.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/1882Введение

Введение. В статье рассматривается задача обнаружения SQL-инъекций в HTTPзапросах с использованием методов машинного обучения. Модели обучались на дата-сете, содержащем более 120 000 HTTP-запросов, разделённых на легитимные и содержащие SQL-инъекции. Каждый запрос формирован признаковым описанием, его размерность уменьшена, для этого использовался метод главных компонентов. Число компонент, с которыми проводилось исследование каждой модели и находилось в диапазоне от 2 до 14.

Материалы и методы

Материалы и методы. В исследование участвуют различные модели: Probabilistic Neural Network(PNN), Naive Bayes, Multilayer Perceptron с алгоритмом RProp, Fuzzy Rule, k-Nearest Neighbors(KNN), Random Forest, Decision Tree и Gradient Boosted Trees. Оценка качества выполняется по метрикам полноты и точности выявления атак. Оценка переобучения выполняется по метрику ROC-AUC.

Результаты и обсуждение

Результаты и обсуждение. Проведено исследование эффективности различных моделей. Среди выбранных моделей по метрикам выделяется модель Probabilistic Neural Network. При 3 главных компонентах значение полноты составляет 0,996, а точность выявления атак равна 0,81.

Заключение

Заключение. Полученный результат, демонстрирует что модель обнаруживает почти все SQL-инъекции, но часть обычных запросов определяются как вредоносные. 

Introduction

Introduction. The paper addresses the task of detecting SQL injections in HTTP requests using machine learning methods. The models were trained on a dataset containing over 120,000 HTTP requests, classified into legitimate requests and those containing SQL injections. Each request was represented by a set of features, the dimensionality of which was reduced using the Principal Component Analysis method. The number of components used for the study of each model ranged from 2 to 14.

Materials and methods

Materials and methods. The study involves various models: Probabilistic Neural Network (PNN), Naive Bayes, Multilayer Perceptron with the RProp algorithm, Fuzzy Rule, k-Nearest Neighbors (KNN), Random Forest, Decision Tree, and Gradient Boosted Trees. The quality assessment is performed using recall and precision metrics for attack detection. Overfitting is evaluated using the ROC-AUC metric.

Results and discussion

Results and discussion. The effectiveness of different models was studied. Among the selected models, the Probabilistic Neural Network stands out in terms of performance metrics. With 3 principal components, the recall value is 0.996, and the attack detection precision is 0.81.

Conclusion

Conclusion. The obtained result demonstrates that the model detects nearly all SQL injections, but classifies some legitimate requests as malicious. 

SQL-инъекциямашинное обучениеклассификацияPCAKNIMEобнаружение атаккибербезопасностьSQL injectionmachine learningclassificationPCAKNIMEattack detectioncybersecurityReferencesAshton K. That "Internet of Things" Thing: In the Real World Things Matter More than Ideas // Rfid Journal. 2009. 22 June. URL: https://www.rfidjournal.com/expert-views/that-internet-of-thingsthing/73881/ (дата обращения: 01.04.2026).Ashton K. That "Internet of Things" Thing: In the Real World Things Matter More than Ideas. Rfid Journal. 2009. 22 June. Available from: https://www.rfidjournal.com/expert-views/that-internet-ofthings-thing/73881/ [Accessed 1 Apr 2026].Cisco Internet Business Solutions Group. The Internet of Things: How the Next Evolution of the Internet Is Changing Everything. 2011. URL: https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf (дата обращения: 01.04.2026).Cisco Internet Business Solutions Group. The Internet of Things: How the Next Evolution of the Internet Is Changing Everything. 2011. Available from: https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf [Accessed 1 Apr 2026].Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В. Теория и практика машинного обучения. Ульяновск: УлГТУ, 2017. 290 с.Voronina VV, Mikheev AV, Yarushkina NG, Svyatov KV. Theory and practice of machine learning. Ulyanovsk: UlSTU, 2017. 290 p. (In Russ.).Лапина М. А., Подручный Н. В., Русанов М. А., Бабенко М. Г. Исследование методов машинного обучения для выявления сетевых атак // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 4. Ч. 2. С. 147–174. https://doi.org/10.15514/ISPRAS-2025-37(4)-24Lapina MA, Podruchny NV, Rusanov MA, Babenko MG. Research of machine learning methods for detecting network attacks. Proceedings of the Institute for System Programming of the Russian Academy of Sciences. 2025;37(4-2):147-174. (In Russ.). https://doi.org/10.15514/ISPRAS-2025-37(4)24Лапина М. А., Мовзалевская В. В., Токмакова М. Е., Бабенко М. Г., Саджид М. Применение технологий машинного обучения для обнаружения веб-атак // Вопросы кибербезопасности. 2024. № 4 (62). С. 92–103. https://doi.org/10.21681/2311-3456-2024-4-92-103Lapina MA, Movzalevskaya VV, Tokmakova ME, Babenko MG, Sajid M. Application of machine learning technologies for web attack detection. Cybersecurity Issues. 2024;4(62):92-103. (In Russ.). https://doi.org/10.21681/2311-3456-2024-4-92-103Лапина М. А., Лукьянов Д. А., Лапин В. Г., Кучеров Н. Н. Исследование методов машинного обучения для обнаружения сайтов-мошенников // Известия ЮФУ. Технические науки. 2025. № 4. С. 250–262. https://doi.org/10.18522/2311-3103-2025-4-250-262Lapina MA, Lukyanov DA, Lapin VG, Kucherov NN. Research of machine learning methods for detecting fraudulent websites. Izvestiya SFedU. Engineering Sciences. 2025;4:250-262. (In Russ.). https://doi.org/10.18522/2311-3103-2025-4-250-262Лапина М. А., Капшук Н. Р., Русанов М. А., Тимофеева Е. Ф. Обнаружение атак с использованием SQL-инъекций по сетевым журналам с помощью методов машинного обучения // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 5. С. 81–92. https://doi.org/10.15514/ISPRAS-2025-37(5)-6Lapina MA, Kapshuk NR, Rusanov MA, Timofeeva EF. Detection of SQL injection attacks using network logs with machine learning methods. Proceedings of the Institute for System Programming of the Russian Academy of Sciences. 2025;37(5):81-92. (In Russ.). https://doi.org/10.15514/ISPRAS2025-37(5)-6Лапина М. А., Дымуха Р. А., Кучеров Н. Н., Басан Е. С. Исследование методов машинного обучения для обнаружения спуфинг-атак в децентрализованных сетях // Известия ЮФУ. Технические науки. 2025. № 3. С. 16–31. https://doi.org/10.18522/2311-3103-2025-3-16-31Lapina MA, Dymukha RA, Kucherov NN, Basan ES. Research of machine learning methods for detecting spoofing attacks in decentralized networks. Izvestiya SFedU. Engineering Sciences. 2025;3:16-31. (In Russ.). https://doi.org/10.18522/2311-3103-2025-3-16-31Лапина М. А., Гриценко Д. Д., Кеньков Е. А., Багаутдинова А. Р., Соломянко А. А. Детектирование атак на отказ в программно-конфигурируемых сетях с использованием методов машинного обучения // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 6. Ч. 4. С. 139–158. https://doi.org/10.15514/ISPRAS-2025-37(6)-55Lapina MA, Gritsenko DD, Kenkov EA, Bagautdinova AR, Solomyanko AA. Detection of denial of service attacks in software-defined networks using machine learning methods. Proceedings of the Institute for System Programming of the Russian Academy of Sciences. 2025;37(6-4):139-158. (In Russ.). https://doi.org/10.15514/ISPRAS-2025-37(6)-55KNIME Analytics Platform [Электронный ресурс]. URL: https://www.knime.com/knime-analyticsplatform (дата обращения: 01.04.2026).KNIME Analytics Platform [Internet]. Available from: https://www.knime.com/knime-analyticsplatform [Accessed 1 Apr 2026].Lashkari A. H. CICFlowmeter-V4.0 (formerly known as ISCXFlowMeter) is a Network Traffic Bi-flow Generator and Analyser for Anomaly Detection [Электронный ресурс]. URL: https://github.com/ahlashkari/CICFlowMeter (дата обращения: 01.04.2026).Lashkari AH. CICFlowmeter-V4.0 (formerly known as ISCXFlowMeter) is a Network Traffic Bi-flow Generator and Analyser for Anomaly Detection [Internet]. Available from: https://github.com/ahlashkari/CICFlowMeter [Accessed 1 Apr 2026].IoT-SDN IDS Dataset [Электронный ресурс]. URL: https://www.kaggle.com/datasets/hebadhirar/iotsdn-ids-dataset (дата обращения: 01.04.2026).IoT-SDN IDS Dataset [Internet]. Available from: https://www.kaggle.com/datasets/hebadhirar/iot-sdnids-dataset [Accessed 1 Apr 2026].Карачанская Е. В., Соседова Н. И. Метод выявления аномалий сетевого трафика, основанный на его самоподобной структуре // Безопасность информационных технологий. 2019. Т. 26. № 1. С. 98–110. https://doi.org/10.26583/bit.2019.1.10Karachanskaya EV, Sosedova NI. A Method for Detecting Network Traffic Anomalies Based on Its Self-Similar Structure. Information Technology Security. 2019;26(1):98-110. (In Russ.). https://doi.org/10.26583/bit.2019.1.10Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A. 2016. Vol. 374. No. 2065. Art. 20150202. https://doi.org/10.1098/rsta.2015.0202Jolliffe IT, Cadima J. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A. 2016;374(2065):20150202. https://doi.org/10.1098/rsta.2015.0202Song Y. Y., Lu Y. Decision tree methods: applications for classification and prediction // Shanghai Archives of Psychiatry. 2015. Vol. 27. No. 2. P. 130–135. https://doi.org/10.11919/j.issn.10020829.215044Song YY, Lu Y. Decision tree methods: applications for classification and prediction. Shanghai Archives of Psychiatry. 2015;27(2):130-135. https://doi.org/10.11919/j.issn.1002-0829.215044Zhang S., Li X., Zong M., Zhu X., Wang R. Efficient kNN classification with different numbers of nearest neighbors // IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29. No. 5. P. 1774–1785. https://doi.org/10.1109/TNNLS.2017.2673241Zhang S, Li X, Zong M, Zhu X, Wang R. Efficient kNN classification with different numbers of nearest neighbors. IEEE Transactions on Neural Networks and Learning Systems. 2018;29(5):1774-1785. https://doi.org/10.1109/TNNLS.2017.2673241Biau G., Scornet E. A random forest guided tour // Test. 2016. Vol. 25. No. 2. P. 197–227. https://doi.org/10.1007/s11749-016-0481-7Biau G, Scornet E. A random forest guided tour. Test. 2016;25(2):197-227. https://doi.org/10.1007/s11749-016-0481-7Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics. 2013. Vol. 7. Art. 21. https://doi.org/10.3389/fnbot.2013.00021Natekin A, Knoll A. Gradient boosting machines, a tutorial. Frontiers in Neurorobotics. 2013;7:21. https://doi.org/10.3389/fnbot.2013.00021Балыбердин А. В., Крылов Г. О. Повышение точности выявления аномалий для систем обнаружения вторжения с помощью ансамблевого обучения // Безопасность информационных технологий. 2025. Т. 32. № 1. С. 153–171. https://doi.org/10.26583/bit.2025.1.11Balyberdin AV, Krylov GO. Improving the Accuracy of Anomaly Detection for Intrusion Detection Systems Using Ensemble Learning. Information Technology Security. 2025;32(1):153-171. (In Russ.). https://doi.org/10.26583/bit.2025.1.11Лавров Б. О., Иванов М. А. Интеллектуальное обнаружение аномалий в контейнеризованных приложениях: методы, архитектура и инструменты // Безопасность информационных технологий. 2025. Т. 32. № 4. С. 149–164. https://doi.org/10.26583/bit.2025.4.11Lavrov BO, Ivanov MA. Intelligent Anomaly Detection in Containerized Applications: Methods, Architecture and Tools. Information Technology Security. 2025;32(4):149-164. (In Russ.). https://doi.org/10.26583/bit.2025.4.11

The authors declare that there are no conflicts of interest present.